前面回答者介绍了Neural Art,，利用学习到的特征使其他的图片带上梵高画上的风格，推而广之，其实类似的将多种Style融合在一起形成新内容的Generative Model最近好像很多，打算研究一下
Image Synthesis
不同风格的图像合成
和Neural Art相似，比如这一篇文章：
Combining Markov Random Fields and Convolutional Neural Networks for Image Synthesis
http://arxiv.org/pdf/1601.04589v1.pdf
将老爷车的风格融入现代汽车中，设计出的新款型，非常有意思
建筑风格的的合成也是如此，尽管看上去有点别扭
Deep Dream
让机器做梦！
人类的做梦时，大脑中会产生随机的噪声信号，而进入梦中的随机信号可看成是一种建构、整合的过程，大脑唤醒记忆中的表象来与脑干激活所产生的信息资料相匹配，试图理解这种随机的信号。
Google的工作，去年就发表出来了，给定一幅图像（这里以一副天空的图像和一副太空的图像为例），极大化某一神经元的激活度。对于low-level的feature，也就是浅层神经元，生成的图像会最大化相应滤波器的激活度，抑制其他滤波器的激活度，重新生成的图片如下：
激活high-level的神经元，图像上就现实出了很多high-level的feature了
看上去有点鬼畜。。
这里有一个在线的网站可以玩玩 http://deepdreamgenerator.com/
2月底的时候，谷歌在美国对生成这些抽象画办了一个画展，这些画还卖到了差不多10万美金，去资助一下这些年轻的艺术家们，让他们进行创作。
音效合成
Visually Indicated Sounds
项目主页在这里：http://vis.csail.mit.edu/
大意就是根据视频内发生的敲打、摩擦等动作，合成出对应的声音，比如用木棍蹭水泥地的时候就播放出呲呲声
http://vis.csail.mit.edu/site-videos/header-vid3.mp4
视频预测
这里能扩展的工作就很多了，貌似也有一个工作是做光流预测的
Image restoration/inpainting
参见CVPR2016的这篇文章：
Context Encoders: Feature Learning by Inpainting
http://www.cv-foundation.org/openaccess/content_cvpr_2016/papers/Pathak_Context_Encoders_Feature_CVPR_2016_paper.pdf
直接把图片中的一块挖掉，用其余部分的信息来恢复破损的区域
还有ICML2016这篇也做了类似的工作:
Pixel Recurrent Neural Networks
http://arxiv.org/pdf/1601.06759v2.pdf
更多关于Generative Model可以参看
Generative Adversarial Nets
http://arxiv.org/pdf/1406.2661v1.pdf
对抗式的训练方法，这种网络训练了两个Model，一个生成式model，一个判别式model，联合优化，生成时model尽量学习到能表达和训练集同分布的样例，判别式model尽量去区分真实的训练样例和生成式model表达出的样例，二者对抗式的优化，最后可以使得生成式model能生成和训练结合同分布的样例，从而使得网络可以预测分布中未见的样本
以及OpenAI最新的工作，从图片集中生成图片
Generative Models
Image Synthesis
不同风格的图像合成
和Neural Art相似，比如这一篇文章：
Combining Markov Random Fields and Convolutional Neural Networks for Image Synthesis
http://arxiv.org/pdf/1601.04589v1.pdf
将老爷车的风格融入现代汽车中，设计出的新款型，非常有意思
建筑风格的的合成也是如此，尽管看上去有点别扭Deep Dream
让机器做梦！
人类的做梦时，大脑中会产生随机的噪声信号，而进入梦中的随机信号可看成是一种建构、整合的过程，大脑唤醒记忆中的表象来与脑干激活所产生的信息资料相匹配，试图理解这种随机的信号。
Google的工作，去年就发表出来了，给定一幅图像（这里以一副天空的图像和一副太空的图像为例），极大化某一神经元的激活度。对于low-level的feature，也就是浅层神经元，生成的图像会最大化相应滤波器的激活度，抑制其他滤波器的激活度，重新生成的图片如下：
激活high-level的神经元，图像上就现实出了很多high-level的feature了
看上去有点鬼畜。。这里有一个在线的网站可以玩玩 http://deepdreamgenerator.com/
2月底的时候，谷歌在美国对生成这些抽象画办了一个画展，这些画还卖到了差不多10万美金，去资助一下这些年轻的艺术家们，让他们进行创作。
音效合成
Visually Indicated Sounds
项目主页在这里：http://vis.csail.mit.edu/
大意就是根据视频内发生的敲打、摩擦等动作，合成出对应的声音，比如用木棍蹭水泥地的时候就播放出呲呲声
http://vis.csail.mit.edu/site-videos/header-vid3.mp4
视频预测
Deep Predictive Coding Networks for Video Prediction and Unsupervised Learning
用视频中前面几帧的信息来预测后面几帧，效果还挺好的，这也就可以理解我们打乒乓球的时候，明明不能计算出球的落点却能准确击球的机理了
这里能扩展的工作就很多了，貌似也有一个工作是做光流预测的Image restoration/inpainting
参见CVPR2016的这篇文章：
Context Encoders: Feature Learning by Inpainting
http://www.cv-foundation.org/openaccess/content_cvpr_2016/papers/Pathak_Context_Encoders_Feature_CVPR_2016_paper.pdf
直接把图片中的一块挖掉，用其余部分的信息来恢复破损的区域
还有ICML2016这篇也做了类似的工作:
Pixel Recurrent Neural Networks
http://arxiv.org/pdf/1601.06759v2.pdf
更多关于Generative Model可以参看
Generative Adversarial Nets
http://arxiv.org/pdf/1406.2661v1.pdf
对抗式的训练方法，这种网络训练了两个Model，一个生成式model，一个判别式model，联合优化，生成时model尽量学习到能表达和训练集同分布的样例，判别式model尽量去区分真实的训练样例和生成式model表达出的样例，二者对抗式的优化，最后可以使得生成式model能生成和训练结合同分布的样例，从而使得网络可以预测分布中未见的样本
以及OpenAI最新的工作，从图片集中生成图片
Generative Models
看到过一个利用深度学习改变图片的艺术风格的
Github:https://github.com/fzliu/style-transfer
来自微博:http://m.weibo.cn/1402400261/3982309310926836?moduleID=feed&uicode=10000002&mid=3982316391582790&luicode=10000198&_status_id=3982309310926836&lfid=1076031837287505_-_WEIBO_SECOND_PROFILE_WEIBO&lcardid=1076031837287505_-_WEIBO_SECOND_PROFILE_WEIBO_-_3982316391582790
我想的很简单，是不是可以利用深度学习来给照片加滤镜=_=
Github:https://github.com/fzliu/style-transfer
来自微博:http://m.weibo.cn/1402400261/3982309310926836?moduleID=feed&uicode=10000002&mid=3982316391582790&luicode=10000198&_status_id=3982309310926836&lfid=1076031837287505_-_WEIBO_SECOND_PROFILE_WEIBO&lcardid=1076031837287505_-_WEIBO_SECOND_PROFILE_WEIBO_-_3982316391582790
我想的很简单，是不是可以利用深度学习来给照片加滤镜=_=